W STRONÊ INTELIGENTNYCH SYSTEMÓW WYSZUKIWAWCZYCH W SIECI INTERNET

Transkrypt

1 Internet, wyszukiwanie danych, data mining, interfejsy u ytkownika Piotr GAWRYSIAK gawrysia@ii.pw.edu.pl Instytut Informatyki, Politechnika Warszawska ul. Nowowiejska 15/19, Wars zawa W STRONÊ INTELIGENTNYCH SYSTEMÓW WYSZUKIWAWCZYCH W SIECI INTERNET W artykule przedstawiono niektóre z problemów zwi¹zanych z projektowaniem i wykorzystywaniem systemów wyszukiwania informacji w sieci Internet. Zwrócono uwagê na heterogenicznoœæ infor macji zawartej w sieci i powodowany przez to wzrost znaczenia metod specyfikowania zapytañ w systemach wyszukiwania danych. Rozwa ono tak e zasadnoœæ stosowania nieklasycznych podejœæ wyszukiwania informacji w Internecie, polegaj¹ce na wykorzystaniu informacji nietekstowej i zastosowaniu metod automatycznej eksploracji danych (ang. data mining). Postuluje siê tak e traktowanie wyszukiwania informacji w sieci jako procesu, w którym efekty mog¹ byæ osi¹gane s¹ dziêki wspó³pracy u ytkownika, inteligentnych narzêdzi przegl¹dania stron WWW i autonomicznych systemów agenckich. 1. WSTÊP Internet zosta³ stworzony jako wojskowy system komunikacyjny, którego u ytecznoœæ zosta³a tak e szybko doceniona i wykorzystana przez spo³ecznoœæ akademick¹. W obu tych przypadkach jego u ytkownikami byli wysokiej klasy profesjonaliœci, dla których efektywne korzystanie ze skomplikowanych rozwi¹zañ sprzêtowych i programowych nie stanowi³o wiêkszego problemu. Najbardziej rozpowszechnionym w latach 80-tych i pocz¹tku lat 90-tych na wy szych uczelniach systemem operacyjnym by³ Unix w swych ró nych odmianach. By³ to (i pozostaje po dziœ dzieñ) bardzo skomplikowany i niezbyt przyjazny u ytkownikowi system operacyjny, tote osoby potrafi¹ce wykorzystywaæ co w codziennej pracy nie mia³y zwykle problemów z u ywaniem narzêdzi "internetowych", tym bardziej e wiele rozwi¹zañ zastosowanych w Internecie jest doœæ œciœle zwi¹zanych w³aœnie z systemem Unix.

2 Wraz z dynamicznym wzrostem popularnoœci sieci Internet pojawia³o siê coraz wiêcej u ytkowników nieprofesjonalnych. W chwili obecnej zawodowi programiœci, czy te ogólniej osoby których wykszta³cenie zwi¹zane jest choæby poœrednio z informatyk¹, stanowi¹ ju mniejszoœæ wœród osób korzystaj¹cych z us³ug globalnej sieci. Jednoczeœnie jednak wiedza i umiejêtnoœci techniczne - w szczególnoœci zaœ dobra znajomoœæ zasad dzia³ania narzêdzi takich jak przegl¹darki, systemy wyszukiwawcze, czy te serwery HTTP - staj¹ siê coraz bardziej przydatne, a w niektórych przypadkach wrêcz niezbêdne, do efektywnego odnajdywania potrzebnych u ytkownikowi informacji w sieci. G³ówn¹ tego przyczyn¹ wydaje siê byæ zwiêkszaj¹ca siê w bardzo szybkim tempie liczba dostawców informacji, co w po³¹czeniu z niezbyt wysok¹ jakoœci¹ i aktualnoœci¹ dostêpnych katalogów i narzêdzi wyszukiwawczych powoduje,i proces odnajdywania danych w Internecie bywa czasami doœæ skomplikowany 1. W artykule tym rozwa am niektóre aspekty projektowania wspó³czesnych internetowych systemów wyszukiwawczych. Rozdzia³ 2 zawiera rozwa ania dotycz¹ce procesu wyszukiwania danych przez system wyszukiwawczy, w rozdziale 3 przedstawiono pojêcie metafory sieci, rozdzia³ 4 poœwiêcony jest systemom specyfikacji zapytañ, zaœ w rozdziale 5 pokrótce omówiono problematykê obróbki wyników wyszukiwania i przedstawiono koncepcjê wspomaganego przegl¹dania stron WWW. Artyku³ koñczy krótkie podsumowanie i bibliografia. 2. PROCES WYSZUKIWANIA INFORMACJI Obecnie u ywane systemy wyszukiwania informacji w sieci WWW maj¹ swoje korzenie w systemach przeszukiwania klasycznych baz danych. Dziêki temu s¹ zwykle doœæ efektywne w indeksowaniu i grupowaniu informacji, nawet pe³notekstowej, jednak e nie s¹ skuteczne w interpretacji potrzeb informacyjnych u ytkownika. W wielu przypadkach interfejsy u ytkownika w jakie wyposa ono te systemy s¹ bardzo niskiej jakoœci, zaœ mo liwoœci specyfikacji kryteriów wyszukiwania jakie s¹ przez nie udostêpniane wydaj¹ siê byæ bardziej odpowiednie dla prostych baz pe³notekstowych, ni dla bogatego œrodowiska hipermedialnego w którym dzia³aj¹. Praktycznie wszystkie nowoczesne internetowe systemy wyszukiwawcze pozwalaj¹ jedynie na przeszukiwanie tylko tekstu dokumentów WWW, nie pozwalaj¹c nawet na okreœlenie typu informacji jakiej potrzebuje u ytkownik. Z drugiej strony nowo powsta³e narzêdzia, takie jak jêzyki zapytañ W3QS[12] i WebML[14] pozwalaj¹ na bardzo dobr¹ kontrolê procesu wyszukiwania informacji i dok³adne okreœlenie jego celu. Niestety s¹ to narzêdzia stworzone z myœl¹ o u ytkownikach posiadaj¹cych dobr¹ znajomoœæ systemów baz danych (jêzyk SQL), nie s¹ intuicyjne i z tego powodu nie mog¹ zostaæ bezpoœrednio u yte w interfejsie u ytkownika ogólnodostêpnego systemu wyszukiwania. W procesie wyszukiwania informacji, zarówno w klasycznych systemach baz danych, jak i w systemach internetowych, mo emy wyró niæ dwie podstawowe fazy : fazê 1 Patrz [8].

3 specyfikacji zapytania (ang. query specification phase) i fazê odnajdywania informacji (ang. retrieval phase). Koncepcja Zapytanie Procedura wyszukiwania Heurystyki wyszukiwania danych Wynik Specyfikacja zapytania Internet Odnajdywanie danych Rys 1. Etapy procesu wyszukiwania informacji We wspó³czesnych systemach faza odnajdywania informacji przebiega zwykle bardzo efektywnie [2], jedynym wyj¹tkiem bywa tutaj prezentacja wyników wyszukiwania. W idealnym systemie wyszukiwania, wygenerowany wynik zawiera dok³adnie t¹ informacjê, która zosta³a opisana w koncepcji u ytkownika. Jednak e w rzeczywiœcie istniej¹cych systemach wspó³czynnik relewancji wyszukiwania rzadko osi¹ga poziom stu procent. Wynikiem tego jest "zaœmiecenie" wyniku wyszukiwania informacj¹ nierelewantn¹, nieistotn¹ z punktu widzenia u ytkownika. Z tego te powodu dalsza obróbka surowych wyników wyszukiwania mo e czêsto poprawiæ u ytecznoœæ systemu. Faza specyfikacji zapytania uwa ana jest zwykle za najmniej istotny i tym samym skomplikowany element systemu wyszukiwawczego. Warto jednak zauwa yæ, i w tej w³aœnie fazie podejmowana jest decyzja "czego szukaæ"! W wiêkszoœci przypadków wszystkie czêœci systemu wyszukiwawczego, poczynaj¹c od parsera analizuj¹cego zapytanie, a po generator wyniku, s¹ niewidoczne dla u ytkownika. U ytkownik systemu dostarcza jedynie zapytania (np. wpisuj¹c s³owa kluczowe w pole formularza na stronie WWW), po czym otrzymuje wynik, i jeœli jego zapytanie zosta³o nieprawid³owo zinterpretowane (czego efektem jest b³êdna procedura wyszukiwania 2 ) to wynik ca³ego procesu bêdzie nie satysfakcjonuj¹cy, niezale nie od tego jak bardzo efektywne i skomplikowane bêd¹ algorytmy fazy odnajdywania danych. Jest to szczególnie widoczne w œrodowisku Internetu, gdzie system specyfikacji zapytañ stanowi jedyny interfejs pomiêdzy systemem wyszukiwawczym, a u ytkownikami, którzy na dodatek zwykle nie posiadaj¹ doœwiadczenia w pracy z narzêdziami odnajdywania informacji w bazach danych. Wiêkszoœæ z nich traktuje pole przeznaczone na specyfikacjê zapytania jako miejsce do wpisania ogólnej koncepcji tego, co chcieliby w sieci odnaleÿæ. Jako e ludzie stosuj¹ ró ne wzorce postrzegania otaczaj¹cego œwiata i myœl¹ o Internecie u ywaj¹c wielu ró nych metafor, tote taka koncepcja mo e mieæ wiele form. Dobrymi przyk³adami bêd¹: zadanie systemowi pytania, traktuj¹c Internet jako uniwersaln¹ bazê wiedzy 2 Terminem procedura wyszukiwania okreœlam zbiór instrukcji dla serwera wyszukiwawczego zapisanych w jêzyku formalnym, takim jak np. W3QL.

4 opisanie za pomoc¹ s³ów kluczowych charakterystyk poszukiwanej strony WWW podanie s³ów, jakie powinny pojawiæ siê w treœci poszukiwanej strony Wszystkie powy sze zapytania mo na by najprawdopodobniej przet³umaczyæ na dobre procedury wyszukiwania, jednak nie jest to mo liwe bez poinformowania systemu o tym która z metafor zosta³a u yta. Na to zaœ nie pozwalaj¹ adne istniej¹ce internetowe narzêdzia wyszukiwawcze. Uwa am zatem, i faza specyfikacji zapytania zas³uguje na wiêcej uwagi ni poœwiêcano jej dotychczas. Poni ej prezentujê model hipotetycznego systemu wyszukiwania informacji, który bêdzie przedmiotem rozwa añ w kolejnych rozdzia³ach. Koncepcja Modu³ wyjaœniania zapytañ Procedura wyszukiwania Heurystyki wyszukiwania danych Wynik wyszukiwania U ytkownik Modu³ specyfikacji zapytañ Baza wiedzy (metafory, wzorce stron, tezaurus) Internet Modu³ wizualizacji Faza specyfikacji zapytania Odnajdywanie danych Faza obróbki wyniku Rys. 2. Inteligentny system wyszukiwania informacji 3. MODELE SIECI WWW Wiêkszoœæ ludzi postrzega Internet nie jako ca³kowicie nowe narzêdzie, ale raczej jako elektroniczn¹ wersjê jednego z do tej pory istniej¹cych systemów archiwizacji i dystrybucji informacji. Nie ma w tym nic dziwnego - w procesie edukacji uczeni byliœmy jak do tej pory jedynie pos³ugiwania siê klasycznymi systemami, wykszta³cenie to zaœ na tyle silnie wp³ywa na nasze zachowanie, e instynktownie traktujemy je jako naturalne 3. Kiedy korzystamy z sieci, traktujemy j¹ zwykle jak ksi¹ kê, lub bazê danych, czy te gazetê, wreszcie u ywamy jednej z wielu innych metafor które s¹ dla nas znajome. Wybór ten staje siê szczególnie istotny w momencie w którym poszukujemy informacji w sieci, poniewa ogranicza rodzaj informacji o wyszukaniu którego mo emy w ogóle pomyœleæ. W efekcie wybrana przez nas metafora, innymi s³owy sposób postrzegania Internetu, okreœla stosowane przez nas podejœcie do konstruowania zapytania. 3 Dobrym przyk³adem bêdzie tu traktowanie pisma odrêcznego jako naturalnego systemu wprowadzania tekstu, podczas gdy jest on znacznie bardziej skomplikowan¹ i trudniejsz¹ do nauczenia czynnoœci¹ ni np. korzystanie z klawiatury.

5 Ta sytuacja wcale nie musi byæ niekorzystna. Internet jest w istocie tak heterogenicznym Ÿród³em danych, e postrzeganie go z wielu ró nych perspektyw mo e pomóc w zrozumieniu tego jakiego rodzaju informacje mo e on zawieraæ. Musimy przy tym jednak pamiêtaæ o ograniczeniach konkretnej metafory i dobieraæ j¹ w zale noœci od wyników jakie pragniemy osi¹gn¹æ. Poni ej podajê przyk³ady najpopularniejszych metafor Internetu, wraz z typowymi zapytaniami w jêzyku naturalnym jakie s¹ z nimi zwi¹zane: gazeta (newspaper metaphor) Przyk³adowe zapytanie: "Jakie nowe informacje zwi¹zane z moimi zainteresowaniami pojawi³y siê wczoraj?" artyku³y naukowe (proceedings metaphor) Przyk³adowe zapytanie: "Czy istniej¹ inne dokumenty weryfikuj¹ce informacje zawarte w przegl¹danym dokumencie"? baza danych (database metaphor) Przyk³adowe zapytanie: "Odszukaj dokumenty zawieraj¹ce s³owa X i Y, ale nie Z" serwer plików (file repository metaphor) Przyk³adowe zapytanie: "Odszukaj najnowsz¹ wersjê oprogramowania X" encyklopedia (encyclopaedia metaphor) Przyk³adowe zapytanie: "Jaka jest definicja terminu X?" baza wiedzy (kowledge base metaphor) Przyk³adowe zapytanie: "Dlaczego ryby nie mówi¹?" Nie jest mo liwe bezpoœrednie u ycie powy szych zapytañ w istniej¹cych systemach wyszukiwawczych, jako e system który by³by w stanie w pe³ni zrozumieæ semantykê nawet tak prostych zdañ nie zosta³ jak do tej pory stworzony i najprawdopodobniej nie powstanie w najbli szej przysz³oœci. Jest jednak mo liwe przet³umaczenie tych zapytañ do bardziej formalnej postaci, jeœli poinformujemy system wyszukiwawczy jaka konkretna metafora zosta³a u yta w ka dym przypadku. Warto zauwa yæ e dostarczy³oby to tak e systemowi wyszukiwania danych wielu istotnych informacji, zwi¹zanych z procesem wyszukiwania. Dla przyk³adu: jeœli u yjemy zapytania zwi¹zanego z metafor¹ serwera plików, to mo emy proces wyszukiwawczy ograniczyæ jedynie do kilku, wyspecjalizowanych serwisów internetowych (takich jak download.com, shareware.com itp.), przynajmniej na pocz¹tkowym etapie. Z kolei osoba postrzegaj¹ca sieæ WWW przez metaforê artyku³ów naukowych najprawdopodobniej przypisuje du ¹ wagê do wystêpowania hiperpo³¹czeñ pomiêdzy stronami WWW, a zatem system wyszukiwawczy mo e bardziej intensywnie wykorzystywaæ algorytmy analizy grafowej w poszukiwaniu ¹danego zbioru dokumentów. Powy sza optymalizacja procesu wyszukiwania, mimo i mo liwa do "rêcznego" przeprowadzenia, nie powinna raczej byæ dokonywana przez u ytkownika systemu wyszukiwania danych. Zak³ada ona bowiem pewn¹ znajomoœæ Internetu per se - u ytkownik musia³by na przyk³ad wiedzieæ jakie s¹ najlepsze istniej¹ce repozytoria plików

6 w Internecie - gdy tymczasem idealny system wyszukiwawczy powinien byæ równie u yteczny dla osób nie posiadaj¹cych prawie adnej wiedzy o strukturze sieci WWW. Istotnym czynnikiem jest tu tak e szybka zmiennoœæ Internetu, jako e zasoby uznawane dziœ za dobre wcale nie musz¹ takimi pozostaæ w przysz³oœci. 4. SYSTEMY SPECYFIKACJI ZAPYTAÑ W poprzednim rozdziale argumentowa³em, i dobrze zaprojektowany system wyszukiwania informacji powinien pozwalaæ na podanie pewnych metainformacji o zapytaniu, takich jak na przyk³ad zastosowana metafora sieci WWW. W rzeczywistoœci system specyfikacji metafor nie by³by zapewne mo liwy do zbudowania ze wzglêdów praktycznych (niezale nie od tego jak bardzo rozbudowana by³aby baza metafor dostêpna dla algorytmów wyszukiwawczych systemu, i tak nie pokry³aby wszystkich, bardzo przecie zró nicowanych, potrzeb u ytkowników). Wydaje siê jednak, i nawet udostêpnienie u ytkownikom prostszego zestawu narzêdzi mo e byæ u yteczne. Postulujê, i wiêkszoœæ procesów wyszukiwania informacji we wspó³czesnej sieci Internet mo e byæ zaliczona do jednej z dwóch grup. Pierwsza z nich, wyszukiwanie stron (ang. page searches) zawiera te procesy, których celem jest odnalezienie pojedynczej, dobrze zdefiniowanej strony WWW (lub te, nieco generalizuj¹c, pojedynczego zasobu sieciowego). Przyk³adami takich procesów bêd¹: poszukiwanie strony domowej kolegi, poszukiwanie oficjalnej strony konkretnej firmy lub te odszukanie publikacji naukowej przy u yciu jej tytu³u i nazwisk autorów. Druga grupa, okreœlana przeze mnie terminem wyszukiwanie informacji (ang. information searches) obejmuje zapytania nie odnosz¹ce siê do konkretnych dokumentów, czy te nawet do struktury sieci WWW. Celem tych zapytañ jest odnalezienie informacji, bez wzglêdu na jej Ÿród³o czy te formê jej prezentacji. Dla przyk³adu rozwa my u ycie zasobów WWW do odnalezienia informacji o planetach systemu s³onecznego. Mo liwe, wartoœciowe rezultaty takiego wyszukiwania mog¹ obejmowaæ tak zró nicowane obiekty jak dokumenty tekstowe zawieraj¹ce informacjê statystyczn¹ o charakterystykach planet, trójwymiarowe modele uk³adu s³onecznego stworzone przy wykorzystaniu jêzyka VRML, plakat ze strony NASA ze zdjêciami planet i tak dalej. G³ówn¹ ró nic¹ pomiêdzy dwoma powy szymi typami procesów wyszukiwania stanowi to, i w przypadku wyszukiwania informacji sieæ WWW jest traktowana jako czarna skrzynka, czy te nawet autonomiczny system ekspertowy, natomiast w wyszukiwaniu stron struktura sieci jest istotna dla u ytkownika. Poniewa, jak widaæ, istniej¹ ró ne podejœcia do problemu ekstrakcji informacji z sieci WWW, tote powinny istnieæ tak e ró ne interfejsy u ytkownika, czy te ró ne zestawy narzêdzi, które wspomaga³yby u ytkowników w procesie konstrukcji zapytañ i w ocenianiu wyników wyszukiwania. Pierwszy zestaw narzêdzi, przeznaczony dla celów wyszukiwania stron, powinien pozwalaæ na okreœlanie charakterystyk dokumentów internetowych z mo liwie najwiêksz¹ precyzj¹. Drugi zestaw, wykorzystywany przy wyszukiwaniu

7 informacji, powinien wspomagaæ u ytkownika w analizie mo liwie bogatego zbioru zró nicowanych zasobów internetowych. W pierwszym przypadku najistotniejszy staje siê system specyfikacji zapytañ, w idealnym wypadku wynik wyszukiwania zawieraæ tu bêdzie wy³¹cznie te strony, które zosta³y opisane przez u ytkownika, w zwi¹zku z czym rola modu³u prezentacji i obróbki wyniku wyszukiwania bêdzie tu niewielka. Dok³adnie odwrotna sytuacja wystêpuje natomiast przy wyszukiwaniu informacji. Wspó³czesne systemy wyszukiwawcze daj¹ doœæ dobre mo liwoœci konstruowania zapytañ do warstwy tekstowej dokumentów, jednak informacja czysto tekstowa nie jest jedyn¹, jaka decyduje o postrzeganiu dokumentów multimedialnych jakimi jest wiêkszoœæ nawet prostych stron WWW. Równie istotny jest rodzaj strony - mo emy pamiêtaæ, e widzieliœmy stronê domow¹ naszego znajomego, nie bêd¹c jednoczeœnie w stanie sobie przypomnieæ jej tekstowej zawartoœci. Podobnie mo emy poszukiwaæ strony "New York Times" znaj¹c jedynie nazwê tej gazety i wiedz¹c e poszukujemy strony z wiadomoœciami prasowymi. Jak widzimy w wielu przypadkach mo liwoœæ specyfikowania typu strony mog³aby pozytywnie wp³ywaæ na efektywnoœæ procesu wyszukiwania informacji. Niezawodny system klasyfikacji stron WWW nie zosta³ jeszcze opracowany, pomimo kilku interesuj¹cych osi¹gniêæ w tej dziedzinie [3], [4]. Wydaje siê, i jednym z najwiêkszych problemów na jakie natrafia siê przy próbach tworzenia takich systemów jest problem rozumienia jêzyka naturalnego (ang. natural language understanding). Niektórzy badacze [11] postuluj¹ nawet, e uniwersalny system klasyfikacyjny dla dokumentów WWW jest niemo liwy do zbudowania z powodu zbyt wielkiej ró norodnoœci potrzeb i preferencji u ytkowników. Rezultaty w grupowaniu stron zaprezentowane przez Pitkowa, Pirollego i Rao w [13], oraz mój eksperyment [7] pokazuj¹ jednak, i proces klasyfikacji mo e byæ skuteczny nawet jeœli nie uwzglêdni siê znaczenia tekstu zawartego w dokumentach. W eksperymencie tym grupa oko³o 20 osób zosta³a poproszona o rêczn¹ klasyfikacjê wybranych uprzednio stron WWW wed³ug systemu klasyfikacji zaproponowanego przez Kazienkê [10]. Strony WWW zosta³y zmodyfikowane w ten sposób, e: tekst zosta³ zamieniony przez losowe ci¹gi znaków, przy czym zachowano rozró nienie pomiêdzy znakami alfabetu ³aciñskiego i cyframi zosta³a zachowana informacja formatuj¹ca (wielkoœæ i kolor czcionki, rozmieszczenie tekstu itp.) wszystkie ilustracje zosta³y usuniête i zast¹pione pustymi prostok¹tami o odpowiednich wymiarach hiperpo³¹czenia zosta³y zmodyfikowane tak, aby nie mo na by³o odczytaæ adresu URL, typ hiperpo³¹czenia (ftp, , http itp.) oraz jego g³êbokoœæ (liczba czêœci /.../) pozosta³y jednak zachowane Pomimo braku dostêpu do tekstowej treœci dokumentów, u ytkownicy byli w stanie zaklasyfikowaæ niektóre grupy dokumentów do odpowiednich klas z doœæ wysok¹ precyzj¹. Najlepsze rezultaty osi¹gniêto dla poni szych klas najwy szego poziomu: " strony domowe" ~ 70% dok³adnoœci

8 "strony organizacyjne" ~ 70% dok³adnoœci zaœ najgorsze rezultaty dla klasy "teksty" ~ 40% dok³adnoœci. Wœród klas drugiego poziomu najwy szym wspó³czynnikiem dok³adnoœci klasyfikacji charakteryzowa³a siê klasa "wizytówki" - 90% dok³adnoœci klasyfikacji. Dok³adny opis zastosowanego drzewa klasyfikacji zawiera praca [10]. Wydaje siê zatem, i mo liwe jest skonstruowanie systemu klasyfikacji, który korzystaæ bêdzie jedynie z informacji nietekstowej o stronach WWW (takiej jak wielkoœæ strony, liczba ilustracji, gêstoœæ hiperpo³aczeñ, liczba u ytych czcionek itp.). Nawet jeœli skonstruowany system pozwala³by jedynie na bardzo zgrubn¹ kategoryzacjê, to i tak mo liwoœæ przyporz¹dkowania danej strony do jednej z ogólnych klas, np. "stron informacyjnych" (ang. content delivering pages) i "stron nawigacyjnych" (ang. navigation pages) mog³aby mieæ du e znaczenie dla wielu u ytkowników. Pojedyncza strona WWW mo e byæ tak e scharakteryzowana poprzez funkcjê jak¹ pe³ni w wiêkszej grupie stron. Niektóre strony WWW s¹ indeksami do zbiorów stron, inne spe³niaj¹ rolê list adresowych, map serwisów itp. Informacja formatuj¹ca - to jest wygl¹d strony - w wielu przypadkach mo e byæ zupe³nie wystarczaj¹ca do identyfikacji takich stron. Mo emy tu jednak pos³u yæ siê tak e grafem hiperpo³¹czeñ, by próbowaæ okreœliæ funkcjê danej strony. Dla przyk³adu w strukturze przedstawionej na Rysunku 3, strona A jest najprawdopodobniej centralnym indeksem grupy typu Webring. Strona A Rys.3. Grupa stron typu Webring Oczywiœcie trudno zdefiniowaæ rêcznie wystarczaj¹co wielk¹ liczbê podobnych struktur sieciowych, tak aby zaspokoiæ potrzeby u ytkowników. Jednym z rozwi¹zañ tego problemu mo e byæ umo liwienie zdefiniowania poszukiwanej struktury bezpoœrednio przez u ytkownika, w procesie specyfikacji zapytania. W istocie niektóre z jêzyków przeszukiwania sieci WWW wywodz¹ce siê z SQL posiadaj¹ takie mo liwoœci. Innym rozwi¹zaniem, zapewne mniej efektywnym, lecz przyjaÿniejszym dla u ytkownika, by³oby adaptowanie technik automatycznego odkrywania wiedzy w bazach danych (ang. data mining), takich jak na przyk³ad z³o one regu³y asocjacyjne [1], do celów identyfikacji najczêœciej wystêpuj¹cych, interesuj¹cych struktur, w Internecie. Jeœli zaœ bêdziemy w stanie okreœliæ, choæby zgrubnie, typ strony WWW i funkcjê spe³nian¹ przez ni¹, to mo emy wzbogaciæ system budowy zapytania o mo liwoœci specyfikacji tych e cech.

9 Inne narzêdzia wspomagaj¹ce proces budowy zapytania mog¹ tak e pozytywnie wp³ywaæ na efektywnoœæ procesu wyszukiwania informacji. Prace prowadzone nad systemami pe³notekstowymi [6] pokazuj¹, i nawet tak proste narzêdzie jak tezaurus dostêpny podczas projektowania zapytania, mo e znacz¹co przyczyniæ siê do wzrostu wydajnoœci ca³ego systemu. Godne rozwa enia mo e byæ tak e zwiêkszenie kontroli u ytkowników nad funkcj¹ oceniaj¹c¹ (ang. ranking expression). Wiêkszoœæ aktualnie dostêpnych internetowych systemów wyszukiwawczych pozwala jedynie na kontrolê nad samym zapytaniem, po czym ocenia zgodnoœæ odnalezionych dokumentów z zapytaniem wed³ug w³asnej funkcji oceniaj¹cej, która niekoniecznie musi odpowiadaæ potrzebom u ytkownika. Na koniec warto tak e rozwa yæ wprowadzenie modu³u wyjaœniaj¹cego zapytanie (ang. query explanation module) do systemu wyszukiwawczego. Modu³ taki t³umaczy³by wprowadzone zapytanie na zdanie w jêzyku naturalnym, lub te nawet konstruowa³by przyk³adow¹ stronê WWW dok³adnie odpowiadaj¹c¹ zapytaniu, aby pokazaæ jakiego rodzaju dokumentów poszukiwaæ bêdzie system. 5. OBRÓBKA WYNIKÓW I WSPOMAGANE PRZEGL DANIE STRON Wyszukiwanie informacji jest zadaniem znacznie bardziej skomplikowanym ni wyszukiwanie stron. Wydaje siê, i efektywne wydobywanie informacji z zasobów sieci WWW powinno byæ traktowane bardziej jako proces (na który sk³ada siê przegl¹danie stron, szukanie danych, porównywanie stron itp.) ni tylko pojedyncza sesja wyszukiwania danych. Taki proces móg³by tak e obejmowaæ inteligentn¹ analizê wyników wygenerowanych przez systemy wyszukiwawcze (razem z prawdopodobnym ulepszeniem zapytania i kolejnymi cyklami wyszukiwania) oraz wspomagane przegl¹danie stron WWW (ang. assisted browsing). Techniki odkrywania wiedzy w bazach danych mog¹ byæ szczególnie u yteczne w analizie wyników pracy systemu wyszukiwawczego. Jak pokazujê w artykule przegl¹dowym [9] szczególne znaczenie mog¹ mieæ tu techniki analizy topologii hiperpo³aczeñ, które (do pewnego stopnia) pozwalaj¹ na sortowanie stron w zale noœci od ich jakoœci postrzeganej przez spo³ecznoœæ internetow¹. Z kolei techniki analizy tekstu (ang. text mining) pozwalaj¹ na sporz¹dzanie wizualizacji i automatycznych podsumowañ, pozwalaj¹c na szybk¹ ocenê treœci odszukanych stron. Proces specyfikacji zapytania jest szczególnie trudny w przypadku wyszukiwania informacji, dlatego te zasadnym wydaje siê poszukiwanie takich metod ekstrakcji informacji z Internetu, w których proces ten nie jest w ogóle potrzebny. Wspomagane przegl¹danie stron WWW mo e byæ jedn¹ z takich w³aœnie metod. Wspomagane przegl¹danie stron WWW jest procesem, w którym wybór nastêpnej strony WWW jak¹ ogl¹daæ bêdzie u ytkownik korzystaj¹cy z przegl¹darki nie jest dokonywany wy³¹cznie na podstawie hiperpo³¹czeñ dostêpnych na danej stronie, ale tak e na podstawie dodatkowej informacji o stronach s¹siednich w grafie hiperpo³aczeñ i o

10 topologii tego grafu. Informacja ta jest zbierana i analizowana przez przegl¹darkê bez udzia³u u ytkownika. Dobrym przyk³adem takiego systemu jest zbiór narzêdzi oferowanych przez firmê Alexa Inc., które wykorzystuj¹ informacjê statystyczn¹ o popularnoœci stron WWW, by okreœliæ które strony mog¹ byæ potencjalnie tematycznie zwi¹zane z aktualnie ogl¹dan¹ stron¹. Co ciekawe ostatnie badania w tej dziedzinie [5] wykazuj¹, i mo liwe jest odnajdywanie takich semantycznie powi¹zanych stron przy u yciu wy³¹cznie grafu hiperpo³¹czeñ. Zachowanie u ytkownika mo e byæ tak e analizowane, w celu automatycznego zbudowania jego listy preferencji czy te profilu, który opisuje jego potrzeby informacyjne. Taki profil stanowiæ mo e dobry punkt wyjœciowy dla autonomicznych systemów agenckich przegl¹daj¹cych sieæ WWW w poszukiwaniu interesuj¹cych stron. Z tego podejœcia wywodzi siê tak e koncepcja personalizowanych portali sieciowych. Obecnie wiêkszoœæ u ytkowników rozpoczyna przegl¹danie zasobów sieci Internet od jakiegoœ portalu, takiego jak np. Yahoo, który ³¹czy ze sob¹ uniwersalny system wyszukiwania informacji i tematyczny indeks stron WWW. Te portale, pomimo wysi³ków zmierzaj¹cych do tego by by³y w pewnym choæ stopniu modyfikowalne w zale noœci od preferencji u ytkownika (tzw. profilowanie portali), to i tak s¹ narzêdziami bardzo ogólnymi. Mikroportale, tworzone specjalnie dla pojedynczego u ytkownika (lub pojedynczego tematu) powinny byæ znacznie bardziej efektywne, do ich tworzenia zaœ zastosowaæ mo na w³aœnie metody wywodz¹ce siê z data mining [9]. Na koniec pragn¹³bym zwróciæ uwagê na fakt, i ró norodnoœæ informacji dostêpnej w sieci Internet powoduje tak e ró norodnoœæ narzêdzi s³u ¹cych do jej wyszukiwania. Obecnie doœwiadczeni u ytkownicy Internetu korzystaj¹ przynajmniej z kilku ró nych systemów wyszukiwawczych, ich wybór uzale niaj¹c od tego gdzie w sieci spodziewaj¹ siê odnaleÿæ informacjê (np. Deja.com dla grup dyskusyjnych Usenet'u, Altavista dla stron WWW, WhoWhere dla adresów poczty elektronicznej itd.). Wydaje siê zatem i system ekspertowy, potrafi¹cy automatycznie wybraæ najlepsze indeksy i narzêdzia dla konkretnego zapytania, by³by tak e bardzo u yteczny, szczególnie dla osób, które Internetm pos³uguj¹ siê okazjonalnie. 6. PODSUMOWANIE Efektywne odnajdywanie danych w sieci Internet jest z³o onym i trudnym problemem, który jednoczeœnie wydaje siê byæ kluczowym dla u ytecznoœci tego globalnego Ÿród³a informacji. Dobr¹ ilustracj¹ jego z³o onoœci s¹ problemy zwi¹zane z efektywnym konstruowaniem i interpretacj¹ zapytañ w systemach wyszukiwawczych, które stara³em siê przedstawiæ w tym artykule. Zaproponowane rozwi¹zania opieraj¹ siê na wykorzystaniu dodatkowej, nietekstowej informacji zawartej w strukturze sieci WWW, postulujê tak e zwrócenie wiêkszej uwagi na kwestie projektowania interfejsów u ytkownika systemów wyszukiwawczych.

11 LITERATURA [1]Borges J., Levene M., "Mining Association Rules in Hypertext Databases", AAAI-98 conf. proc., 1998 [2]Brin S., Page L., "The Anatomy of a Large-Scale Hypertextual Web Search Engine", 1998 [3]Chakrabarti S., Berg M., Dom B.., "Focused Crawling: A New Approach to Topic-Specific Web Resource Discovery", IBM Almaden Research Centre, 1999 [4]Chakrabarti S., Dom B., Indyk P. "Enhanced hypertext categorization using hyperlinks", SIGMOD 98 conference proc., 1998 [5]Dean J., Henzinger M., "Finding related pages in the World Wide Web", WWW8 conf. proc., 1999 [6]Frelek M., Gawrysiak P., Rybiñski H., A method of retrieval in flexion-based language text databases, IIS 99 conference proceedings, 1999 [7]Gawrysiak P., "Web page classification", (in preparation), Warsaw University of Technology, 2000 [8]Gawrysiak P., "Using Data Mining methodology for text retrieval", DIBS 99 conference proceedings, 1999 [9]Gawrysiak P., Okoniewski M., "Knowledge discovery in the Internet", submitted to Archiwum Informatyki journal, 1999 [10]Kazienko P., "Rodzaje stron i odsy³aczy w systemie WWWW", Wroclaw University of Technology, 1999 [11]Macskassy S., Banerjee A., Davidson B., Hirsh H., "Human performance on clustering web pages", KDD 98 conference proc., 1998 [12]Mihaila G., "WebSQL An SQL-like Query Language for the World Wide Web", Department of Computer Science, University of Toronto, [13]Pirolli P., Pitkow J., Rao R., "Silk from a Sow's Ear: Extracting Usable Structures from Web", Proc. of the Conference on Human Factors in Computing Systems: Common Ground, pages , New York, 1996 [14]Zaiane O., Han J., "WebML: Querying the World Wide Web for resources and knowledge", 1999